注册 / 登录

基于深度学习的下一代视频推荐系统

分会场:  数据科学/人工智能/数据驱动

分享时间: 2017年11月9日 - 12日

案例来源 :

案例讲师

周涵宁

Hulu 技术负责人

周涵宁博士现任Hulu北京研发中心推荐算法研发负责人(Hulu是美国第二大的付费在线视频公司)。具有15年的研发、创新、和管理经验。专注于应用数据和算法实现从0到1的产品落地。在数据分析和机器学习商业应用方面有丰富的实战经验。 周博士历任富士施乐硅谷研究院研究员、亚马逊美国高级研发经理负责Kindle电子书项目、盛大创新院产品总监、智谷公司技术副总裁、和宝宝树CTO。 本科毕业于清华大学自动化系、在伊利诺伊大学香槟分校电子与计算机工程系获得计算机视觉专业的博士学位,拥有16项美国发明专利,涉及视频监控、视频会议、推荐算法、电子出版、和数字广告等领域。

扫描二维码分享案例

所在软件研发中心介绍

Hulu北京研发中心负责Hulu全球的核心技术研发。现有170多位工程师、研究员和项目经理。

 

建议该分享案例适用范围:

对于人工智能在大规模视频推荐领域的应用感兴趣的产品和技术人员

 

为什么这个案例值得分享?

随着人工智能的投资热潮涌过,业界开始关注它的商业应用。推荐系统是基于深度学习的人工智能在商业领域的重要应用场景。Hulu在推荐系统方面有深厚的技术和数据积累。我们最近一两年也在深度学习的研发方面取得了业界领先的成绩。相信Hulu的案例可以给技术同行们带来启发和收获。

 

 

案例简述

 

视频推荐在互联网发明之前就有,卖碟店的店主,会把他觉得最好的电影DVD放在最显眼的位置,互联网视频推荐,用数字化的方式将过去的人工推荐自动化,达到对每个用户生成独特的个性化频道。
从亚马逊到Netflex,现在主流的推荐系统都是基于海量用户行为,通过提取用户历史行为之间的共性,建立内容相关性模型。这种方法会遇到冷启动的问题。为了解决冷启动问题,Hulu提出了基于深度神经网络的模型,结合元数据和内容分析,缺少用户历史行为的时候,仍然能够提供较高质量的推荐。
Hulu的新一代推荐引擎使用神经网络,在2016年的顶级机器学习会议ICML和顶级推荐会议RecSys上做了大会宣讲。

 

案例目标

 

本案例重点解决推荐系统的冷启动问题。当一个新的产品上线时,积累用户行为需要一定的时间,此时传统的协同滤波方法无法给出好的推荐结果。

 

成功(或教训)要点

 

我们结合了内容分析,元数据嵌入式编码(embedding),和用户聚类,解决了推荐系统的冷启动问题。

 

案例ROI分析

 

我们用6个人年的研发投入,构建了基于神经网络的推荐系统的第一个版本,并满足了Hulu的新直播系统的上线需求,为公司赢得了数千万美元的营收。

 

案例启示

 

构建新系统时,尽量依据现有系统中的用户历史,利于迁移学习来Bootstrap新系统。

 

案例在团队中的意义

 

随着人工智能的投资热潮涌过,业界开始关注它的商业应用。推荐系统是基于深度学习的人工智能在商业领域的重要应用场景。Hulu在推荐系统方面有深厚的技术和数据积累。我们最近一两年也在深度学习的研发方面取得了业界领先的成绩。相信Hulu的案例可以给技术同行们带来启发和收获。